崔 峰， 付保紅， 吳春梅， 陳 鑫

(大慶師范學(xué)院機(jī)電工程學(xué)院,黑龍江 大慶 163712)

基于ANN的多路徑傳輸WSNs數(shù)據(jù)丟包率預(yù)測

崔 峰， 付保紅， 吳春梅， 陳 鑫

(大慶師范學(xué)院機(jī)電工程學(xué)院,黑龍江 大慶 163712)

為了提高無線傳感器網(wǎng)絡(luò)(WSNs)數(shù)據(jù)傳輸?shù)臏?zhǔn)確率，設(shè)計(jì)了一種基于人工神經(jīng)元網(wǎng)絡(luò)(ANN)的數(shù)據(jù)丟包(DPL)率預(yù)測方法。通過預(yù)測WSN數(shù)據(jù)包在多個(gè)傳輸路徑上的丟包率，選擇出最優(yōu)數(shù)據(jù)傳輸路徑。首先，建立1個(gè)150節(jié)點(diǎn)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，使各節(jié)點(diǎn)在固定區(qū)域內(nèi)隨機(jī)分布，并采用粒子群算法對(duì)各節(jié)點(diǎn)進(jìn)行層級(jí)聚類。然后，采用1個(gè)3層前向人工神經(jīng)元網(wǎng)絡(luò)來預(yù)測數(shù)據(jù)傳輸?shù)膩G包率。在BP網(wǎng)絡(luò)學(xué)習(xí)算法中引入動(dòng)量修正因子，避免了ANN訓(xùn)練陷入局部極小的問題。ANN的3個(gè)輸入分別為傳輸路徑上的節(jié)點(diǎn)數(shù)目、節(jié)點(diǎn)應(yīng)用環(huán)境類型和節(jié)點(diǎn)采樣頻率。最后，采用基于最優(yōu)最差螞蟻系統(tǒng)(BWAS)的多傳輸路徑規(guī)劃方法，以傳輸路徑數(shù)據(jù)丟包率作為評(píng)價(jià)參數(shù)，選擇最優(yōu)傳輸路徑。經(jīng)仿真驗(yàn)證可知，本方法能夠獲得較高的數(shù)據(jù)傳輸準(zhǔn)確率，與FEC糾刪編碼多路徑傳輸策略相比具有明顯優(yōu)勢。

無線傳感器網(wǎng)絡(luò)； 人工神經(jīng)元網(wǎng)絡(luò)； 數(shù)據(jù)傳輸； 最優(yōu)最差螞蟻系統(tǒng)； 編碼技術(shù)； 動(dòng)量因子

0 引言

無線傳感器網(wǎng)絡(luò)(wireless sensor networks，WSNs)由大量的傳感器節(jié)點(diǎn)組成，其依靠節(jié)點(diǎn)之間的相互合作，能夠完成對(duì)眾多物理參數(shù)和環(huán)境變量的監(jiān)控。目前，WSNs在環(huán)境溫濕度、交通流量、有毒有害氣體監(jiān)控以及振動(dòng)監(jiān)測等方面都已得到成功應(yīng)用。在一些諸如戰(zhàn)場監(jiān)測的應(yīng)用場合中，需將大量傳感器節(jié)點(diǎn)散布于廣闊的區(qū)域內(nèi)，而這些配備了無線通信裝置的節(jié)點(diǎn)均需由電池供電。這種情況下，WSNs承擔(dān)了臨時(shí)無線自組網(wǎng)的功能。當(dāng)無線節(jié)點(diǎn)工作在有電磁干擾或振動(dòng)的環(huán)境中時(shí)，其動(dòng)態(tài)的拓?fù)浣Y(jié)構(gòu)、有限的計(jì)算和傳輸能力以及受約束的電能供應(yīng)，容易導(dǎo)致網(wǎng)絡(luò)中的射頻沖突、時(shí)間異步和數(shù)據(jù)丟包(data packet loss，DPL)[1]問題。WSNs的健康狀況決定了它能否實(shí)現(xiàn)數(shù)據(jù)可靠傳輸、穩(wěn)定運(yùn)行和性能優(yōu)化。當(dāng)前的很多研究工作都集中在WSNs的數(shù)據(jù)可靠傳輸上。

數(shù)據(jù)丟包多發(fā)生于WSNs特征參數(shù)變化時(shí)。應(yīng)用在不同場合的無線傳感器網(wǎng)絡(luò)對(duì)數(shù)據(jù)丟包率的要求不盡相同，有些應(yīng)用背景下需要嚴(yán)格限制數(shù)據(jù)丟包率，而有些應(yīng)用則完全可以承受較高的數(shù)據(jù)丟包率[2]。在WSNs中使用多路徑傳輸手段，有助于提高網(wǎng)絡(luò)的整體效能、可靠性和完整性；對(duì)多路徑傳輸WSNs進(jìn)行數(shù)據(jù)丟包率預(yù)測，不僅有助于選擇數(shù)據(jù)傳輸?shù)淖顑?yōu)路徑，還有助于確定網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)目、節(jié)點(diǎn)采樣頻率和合適的網(wǎng)絡(luò)應(yīng)用物理環(huán)境，可保證數(shù)據(jù)的可靠傳輸[3]。

由于WSNs在許多應(yīng)用場合中,網(wǎng)絡(luò)節(jié)點(diǎn)都不可移動(dòng)，因此本文采用了粒子群算法(particle swarm optimization,PSO)對(duì)WSNs節(jié)點(diǎn)進(jìn)行非均勻聚類，進(jìn)而得到依托多路徑傳輸?shù)木W(wǎng)絡(luò)拓?fù)淠Ｐ?。在?shù)據(jù)的多路徑傳輸中，本文將WSNs的數(shù)據(jù)丟包率作為路徑選擇的依據(jù)，與采用前向糾錯(cuò)(forward error correction,FEC)糾刪編碼的WSNs多路徑傳輸負(fù)載平衡策略進(jìn)行對(duì)比，文中所設(shè)計(jì)的方法可表現(xiàn)出更高的有效數(shù)據(jù)接收率。

1 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

1.1 節(jié)點(diǎn)的分類

網(wǎng)絡(luò)中各節(jié)點(diǎn)與匯聚節(jié)點(diǎn)之間的距離不同，因此節(jié)點(diǎn)被分為兩類。其中，平均節(jié)點(diǎn)負(fù)責(zé)數(shù)據(jù)的采集和傳輸，集群節(jié)點(diǎn)負(fù)責(zé)數(shù)據(jù)的轉(zhuǎn)發(fā)和路由的選擇。所建立的網(wǎng)絡(luò)拓?fù)渲泄埠?50個(gè)節(jié)點(diǎn)，數(shù)據(jù)包在網(wǎng)絡(luò)中由集群節(jié)點(diǎn)向匯聚節(jié)點(diǎn)轉(zhuǎn)發(fā)的過程中，有多條路由路徑可供選擇。

1.2 非均勻聚類

假設(shè)150個(gè)WSNs節(jié)點(diǎn)隨機(jī)分布在(100×100) km的坐標(biāo)區(qū)域內(nèi)，各節(jié)點(diǎn)在地理位置已知區(qū)域內(nèi)不可移動(dòng)。全部節(jié)點(diǎn)工作于全雙工傳輸模式，且具有相同的工作參數(shù)和初始能量[4]。除匯聚節(jié)點(diǎn)外，其余節(jié)點(diǎn)均不分等級(jí)，節(jié)點(diǎn)在x軸、y軸定義的坐標(biāo)區(qū)域內(nèi)的分布如圖1所示。其中，匯聚節(jié)點(diǎn)坐標(biāo)為(120，50)。

圖1 節(jié)點(diǎn)分布圖

本文采用粒子群算法對(duì)網(wǎng)絡(luò)中的節(jié)點(diǎn)進(jìn)行非均勻聚類[5]，其中自適應(yīng)慣性系數(shù)在0.4～0.9之間變化，學(xué)習(xí)率分別取1.5和2.0。通過非均勻聚類，將圖1中的網(wǎng)絡(luò)節(jié)點(diǎn)分為3個(gè)層級(jí)，聚類結(jié)果如表1所示。

表1 聚類結(jié)果表

2 數(shù)據(jù)丟包率的預(yù)測

2.1 數(shù)據(jù)丟包的產(chǎn)生

在無線傳感器網(wǎng)絡(luò)數(shù)據(jù)傳輸過程中，引起數(shù)據(jù)丟包的因素較多，本文所討論的數(shù)據(jù)丟包與無線傳感器節(jié)點(diǎn)的使用環(huán)境、節(jié)點(diǎn)數(shù)據(jù)采樣頻率以及網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)有關(guān)。其他與數(shù)據(jù)丟包相關(guān)的因素，例如射頻傳輸功率、集群節(jié)點(diǎn)與匯聚節(jié)點(diǎn)間的距離等都被假定為常數(shù)。所討論的網(wǎng)絡(luò)拓?fù)渲泄埠?9個(gè)集群節(jié)點(diǎn)，可通過人工神經(jīng)元網(wǎng)絡(luò)(artificial neuron network, ANN)預(yù)測這些集群節(jié)點(diǎn)上的數(shù)據(jù)丟包率，從而判斷數(shù)據(jù)路由的最優(yōu)路徑。

2.2 人工神經(jīng)元網(wǎng)絡(luò)預(yù)測

采用BP前向神經(jīng)元網(wǎng)絡(luò)對(duì)WSNs節(jié)點(diǎn)的數(shù)據(jù)丟包率進(jìn)行預(yù)測，神經(jīng)網(wǎng)絡(luò)由1個(gè)輸入層、2個(gè)隱含層和1個(gè)輸出層組成，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 網(wǎng)絡(luò)結(jié)構(gòu)圖

該網(wǎng)絡(luò)含有3個(gè)輸入，分別為集群節(jié)點(diǎn)所關(guān)聯(lián)節(jié)點(diǎn)數(shù)、節(jié)點(diǎn)應(yīng)用環(huán)境類型和節(jié)點(diǎn)采樣頻率。

BP網(wǎng)絡(luò)對(duì)數(shù)據(jù)丟包率預(yù)測的準(zhǔn)確度與網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)直接相關(guān)，仿真中另2個(gè)隱含層神經(jīng)元數(shù)在15～30之間變化，隱含層神經(jīng)元數(shù)同網(wǎng)絡(luò)預(yù)測誤差間的關(guān)系如圖3所示，最終確定2個(gè)隱含層神經(jīng)元數(shù)均為26。

隱含層和輸出層神經(jīng)元節(jié)點(diǎn)采用Tansig激活函數(shù)，由式(1)表示：

(1)

式中：Net為神經(jīng)元由輸入加權(quán)偏置后產(chǎn)生的輸出。

圖3 隱含層神經(jīng)元數(shù)-網(wǎng)絡(luò)預(yù)測誤差關(guān)系圖

BP網(wǎng)絡(luò)在采用梯度下降學(xué)習(xí)法時(shí)，能夠使權(quán)值矩陣和偏置向量收斂到固定解；但此學(xué)習(xí)算法收斂速度慢，且易導(dǎo)致收斂過程陷入局部極小的問題，而單純地加大學(xué)習(xí)率又容易導(dǎo)致收斂振蕩，使得學(xué)習(xí)過程無法穩(wěn)定。為了解決該問題，在BP網(wǎng)絡(luò)梯度下降學(xué)習(xí)算法中加入了動(dòng)量因子，將原有學(xué)習(xí)算法改進(jìn)為MOBP學(xué)習(xí)算法。利用MOBP算法對(duì)圖2所示的神經(jīng)元網(wǎng)絡(luò)進(jìn)行權(quán)值和閾值修正，如式(2)所示。

T(k+1)=T(k)+ΔT(k+1)+η[T(k)-T(k-1)]

(2)

MOBP算法的學(xué)習(xí)率將直接影響到數(shù)據(jù)丟包率預(yù)測網(wǎng)絡(luò)的性能，較大的學(xué)習(xí)率易導(dǎo)致權(quán)值、閾值修正無法收斂，而較小的學(xué)習(xí)率又會(huì)使網(wǎng)絡(luò)訓(xùn)練過程變慢。本文網(wǎng)絡(luò)訓(xùn)練中的學(xué)習(xí)率α∈[0,1]，MOBP算法固定不變的學(xué)習(xí)率往往不能適應(yīng)網(wǎng)絡(luò)訓(xùn)練中對(duì)收斂速度和收斂穩(wěn)定性的要求。為了選取最佳學(xué)習(xí)率值，在訓(xùn)練過程中使學(xué)習(xí)率沿著誤差曲面修正收斂，即學(xué)習(xí)率值越大，對(duì)權(quán)值和閾值的修正越大。算法中，令α在訓(xùn)練初始階段取較大值，實(shí)際訓(xùn)練過程中α按式(3)定義的原則調(diào)整。式(3)中的學(xué)習(xí)率α最大值為0.995，最小值為0.015。

(3)

根據(jù)前面所討論的無線傳感器網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，通過試驗(yàn)獲取1 000個(gè)與節(jié)點(diǎn)數(shù)、環(huán)境類型和節(jié)點(diǎn)采樣頻率對(duì)應(yīng)的樣本點(diǎn)。數(shù)據(jù)歸一化處理后，隨機(jī)抽取500個(gè)樣本點(diǎn)用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練，其余500個(gè)樣本點(diǎn)用于仿真。網(wǎng)絡(luò)訓(xùn)練結(jié)果分別如圖4、圖5所示。

圖4 輸出曲線

圖5 預(yù)測誤差曲線

3 多路徑傳輸與FEC糾刪編碼對(duì)比仿真

3.1 多路徑傳輸策略

利用文獻(xiàn)[6]中所討論的最優(yōu)最差螞蟻系統(tǒng)(best-worst ant system,BWAS)在每兩個(gè)不同等級(jí)節(jié)點(diǎn)間鏈路上生成信息素值，信息素值的大小可反映出不同傳輸路徑數(shù)據(jù)的傳輸質(zhì)量。通過計(jì)算每條路徑的節(jié)點(diǎn)數(shù)，根據(jù)節(jié)點(diǎn)初始化信息(節(jié)點(diǎn)采樣頻率、節(jié)點(diǎn)應(yīng)用環(huán)境)，采用前述的ANN預(yù)測不同傳輸路徑的數(shù)據(jù)丟包率，從而判斷出最佳數(shù)據(jù)傳輸路徑。多路徑傳輸策略算法概述如下。

①初始化節(jié)點(diǎn)信息，包括節(jié)點(diǎn)類型(源節(jié)點(diǎn)、匯聚節(jié)點(diǎn)、簇頭節(jié)點(diǎn)、目的節(jié)點(diǎn))、節(jié)點(diǎn)采樣頻率、節(jié)點(diǎn)工作環(huán)境類型。

②運(yùn)行文獻(xiàn)[6]中設(shè)計(jì)的BWAS算法，計(jì)算出每條傳輸路徑上的信息素值。

③計(jì)算出每條路徑上數(shù)據(jù)傳輸經(jīng)過的節(jié)點(diǎn)數(shù)，并根據(jù)信息素值的大小對(duì)不同路徑進(jìn)行優(yōu)先級(jí)排序，信息素值大則傳輸可靠、優(yōu)先級(jí)高。

④通過ANN預(yù)測每條傳輸路徑的數(shù)據(jù)丟包率，選擇數(shù)據(jù)丟包率最低、信息素值最大的傳輸路徑作為最終數(shù)據(jù)傳輸路徑。

3.2 FEC糾刪編碼對(duì)比仿真

針對(duì)無線傳感器網(wǎng)絡(luò)數(shù)據(jù)丟包問題，文獻(xiàn)[7]采用了一種基于糾刪編碼的多路徑負(fù)載平衡策略，即FEC糾刪編碼多路徑傳輸策略。它將數(shù)據(jù)包分解為編碼數(shù)據(jù)片，使其在多條路徑上傳輸，并在目的節(jié)點(diǎn)解碼重組數(shù)據(jù)，以此提高數(shù)據(jù)傳輸?shù)臏?zhǔn)確率。由于無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)能量、計(jì)算能力有限，該方法從負(fù)載均衡的角度出發(fā)，解決了數(shù)據(jù)準(zhǔn)確傳輸和能效的問題。

在采用相同WSNs拓?fù)浣Y(jié)構(gòu)的前提下，分別采用基于ANN數(shù)據(jù)傳輸丟包率預(yù)測的BWAS多路徑傳輸策略和FEC糾刪編碼多路徑傳輸策略，選取前述ANN網(wǎng)絡(luò)訓(xùn)練后剩余的500個(gè)樣本點(diǎn)進(jìn)行仿真。兩種多路徑傳輸策略的數(shù)據(jù)傳輸準(zhǔn)確率對(duì)比如圖6所示。

圖6 數(shù)據(jù)傳輸準(zhǔn)確率對(duì)比圖

4 結(jié)束語

WSNs數(shù)據(jù)傳輸準(zhǔn)確率常與傳輸路徑節(jié)點(diǎn)數(shù)、節(jié)點(diǎn)工作環(huán)境和節(jié)點(diǎn)采樣頻率有關(guān)，當(dāng)這3種參數(shù)變化時(shí)，網(wǎng)絡(luò)傳輸中的數(shù)據(jù)丟包率將產(chǎn)生變化。本文設(shè)計(jì)了一個(gè)3層前向人工神經(jīng)元網(wǎng)絡(luò)，該網(wǎng)絡(luò)以上述3個(gè)參量為輸入，能夠?qū)o線傳感器網(wǎng)絡(luò)數(shù)據(jù)傳輸丟包率進(jìn)行預(yù)測，通過實(shí)測數(shù)據(jù)樣本點(diǎn)訓(xùn)練神經(jīng)網(wǎng)絡(luò)后，ANN體現(xiàn)出較高的預(yù)測準(zhǔn)確度。以ANN預(yù)測的數(shù)據(jù)丟包率為參考變量，結(jié)合BWAS多路徑傳輸策略，可以使WSNs數(shù)據(jù)傳輸獲得較高的準(zhǔn)確率，該方法與傳統(tǒng)FEC糾刪編碼多路徑傳輸策略相比具有明顯優(yōu)勢。

[1] JENNIFER Y,BISWANATH M,DIPAK G.Wireless sensor network survey[J].Computer Networks,2008,52(6): 2292-2330.

[2] 黃廷輝,伊凱,崔更申.基于非均勻分簇的無線傳感器網(wǎng)絡(luò)分層路由協(xié)議[J].計(jì)算機(jī)應(yīng)用,2016,36(1): 66-71.

[3] 張榮標(biāo),李克偉,白斌.網(wǎng)絡(luò)傳輸丟包率對(duì)溫室WSN測控系統(tǒng)的影響[J].江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版),2009,30(4): 383-386.

[4] LINDSEY S,RAGHAVENDRA C,SIVALINGAM K M.Data gathering algorithms in sensor networks using energy metrics[J].IEEE Transactions on Parallel and Distributed Systems,2002,13(5):924-935.

[5] 李燈熬,郝海龍,郭錦龍.一種能量有效的無線傳感器網(wǎng)絡(luò)分簇及簇間路由算法[J].自動(dòng)化儀表,2015,36(12): 4-7.

[6] LI H B,GAO P,XIONG Q,et al.A vascular-network-based nonuniform hierarchical fault-tolerant routing algorithm for wireless sensor networks[J].International Journal of Distributed Sensor Networks,2012,30(12): 2-14.

[7] DJUKIC P,VALAEE S.Reliable packet transmissions in multipath routed wireless networks[J].IEEE Transactions on Mobile Computing,2006,27(5): 548-559.

ANN-Based Prediction of Data Packet Loss Rate for Multipath Transmission in WSNs

CUI Feng,FU Baohong,WU Chunmei,CHEN Xin

(Department of Electromechanical Engineering,Daqing Normal University,Daqing 163712,China)

In order to improve the accuracy of WSN data transmission,a method based on artificial neuron network (ANN) is designed for the prediction of data packet loss (DPL) rate.Through predicting the packet loss rate of WSN data packets in multipath transmission,the optimal data transmission path is selected.Firstly,a topologic structure of the network with 150 nodes that are distributed randomly in a fixed area is established,and hierarchical clustering of nodes is conducted by PSO algorithm.Then,the DPL of data transmission is predicted by using a three-layer feed-forward ANN.A momentum correction factor is introduced in BP network learning algorithm,to avoid ANN training process traps into local minima.Three of the inputs of ANN are respectively related to the node number of transmission path,types of node application environment,and the node sampling rate.Finally,the multipath transmission planning method based on BWAS is used;the optimal transmission path is selected with the transmission path data packet loss rate as the evaluation parameter.From the simulation verification,it is found that the method proposed obtains higher accuracy of data transmission;it has obvious advantages than that of the FEC encoding multipath transmission strategy.

Wireless sensor networks; Artificial neuron network; Data transmission; Best-worst ant system; Coding technique; Momentum factor

資金項(xiàng)目:大慶市指導(dǎo)性科技計(jì)劃項(xiàng)目(szdfy-2015-60)、大慶師范學(xué)院自然科學(xué)基金(14ZR15)

崔峰(1982—)，男，碩士，講師，主要從事無線傳感器、執(zhí)行器網(wǎng)絡(luò)容錯(cuò)機(jī)制、復(fù)雜系統(tǒng)建模和仿真的應(yīng)用與研究。E-mail:cuifeng304@163.com。

TH6;TP273

A

10.16086/j.cnki.issn 1000-0380.201702016

修改稿收到日期：2016-10-18